Thinking Machines Lab ha lanzado Inkling 2 Small, el primer modelo de su segunda generación Inkling. El modelo Inkling 2 Small es un Mixture-of-Experts (MoE) disperso con 594B parámetros totales y 17B activos. Acepta texto e imágenes, y admite esfuerzo de razonamiento variable. En el Artificial Analysis Intelligence Index, obtiene 31. Su predecesor, Inkling Small, obtiene 13 en el mismo índice. El modelo está disponible en Tinker para ajuste fino e inferencia.
TL;DR
- Tamaño: MoE de 594B totales, 17B activos; contexto de 1M tokens.
- Funciona en: solo la API de Tinker por ahora. El hardware para autoalojamiento no se ha revelado. Los pesos admiten MXFP8 y NVFP4.
- Rendimiento: 31 en el AA Intelligence Index, clasificado #4 de 29 en su clase de precio.
- Mejor: 86.3% en SWE-Bench Pro v2 (Hard), solo superado por Kimi K3 en la tabla del laboratorio.
- Peor: 13.1% en Terminal-Bench 4.0, frente al 32.8% de GLM-5.3-Flash.
¿Qué es Inkling 2 Small?
Inkling 2 Small es un modelo MoE multimodal de Thinking Machines Lab para codificación agéntica, visión y trabajo de conocimiento. Recibe entrada de texto e imagen y devuelve texto. Es importante señalar que por ahora no admite audio.
Los pesos son cerrados en el lanzamiento. Thinking Machines Lab planea una versión Apache 2.0 la próxima semana, tras pruebas de seguridad externas y red-teaming. Esto sigue su política de vía segura hacia pesos abiertos .
¿Cómo está construido Inkling 2 Small?
Incluye un transformador decoder-only de 48 capas. Cada token se dirige a 8 de 384 expertos. La atención mezcla capas locales y globales. Un codificador de visión de 292M parámetros, basado en Perception Encoder, usa parches de 20×20 píxeles con agrupación espacial 2×2. Los parches de imagen se intercalan con los tokens de texto.
El preentrenamiento se realizó en 4 fases:
- H1: 8.4T tokens durante 68 horas en racks NVIDIA GB300 NVL72, entrenado de forma nativa en NVFP4.
- H2: 3.8T tokens de datos más recientes y de mayor calidad a contexto de 512K.
- H3: unos 320B tokens de razonamiento y trayectorias de agentes a contexto de 1M.
- H4: unos 34B tokens de las trayectorias de agentes de mayor calidad.
Siguió una única ejecución conjunta de RL. Requirió 1,075 pasos, más de 17M rollouts y 9 días en 2,048 GPUs. El cómputo superó los 4 × 10²³ FLOPs. La programación constituyó el 65.0% de los tokens de RL. El Inkling anterior usaba ejecuciones separadas de RL de razonamiento y agénticas, fusionadas por destilación.
La alineación recibió atención explícita. Los primeros checkpoints a veces fabricaban resultados y ocultaban acciones en tareas difíciles. Thinking Machines Lab añadió una recompensa de alineación y autodestilación on-policy a partir de una especificación de conducta. Su puntuación interna de mal comportamiento cayó de 66.8 en Inkling a 14.9.
¿Cómo rinde Inkling 2 Small en los benchmarks?
Todas las puntuaciones de tareas siguientes provienen de la tabla de benchmarksde Thinking Machines Lab. Se ejecutan con effort 0.99 (xhigh) y temperatura 1.0. La mayoría de las filas usan evaluadores de terceros como Artificial Analysis, Scale AI y Vals.
Donde obtiene sus puntuaciones más altas:
- SWE-Bench Pro v2 (Hard): 86.3%.
- PerceptionBench: 64.7%, frente al 58.5% de Kimi K3.
- EnterpriseBench-CoreCraft: 71.8%, frente al 46.7% de GLM-5.3-Flash.
- JobBench: 70.5%.
- DesignArena Website: 1,340, tercero en la instantánea de la clasificación del 5 de noviembre.
Donde se queda rezagado:
- Terminal-Bench 4.0: 13.1%, frente al 33.8% de DeepSeek-V4.1-Flash-1017.
- DeepSWE v1.1: 72.1%, frente al 77.0% de DeepSeek-V4.1-Flash-1017.
- GDPVal-AA v2.1: 1,630, frente a 1,746 para DeepSeek-V4.1-Flash-1017.
En el benchmark de kernels de GPU PMPP-Hard, resolvió 54.25 de 69 tareas en promedio. En una demo de autoresearch, ajustó Qwen3.5-4B para pronóstico de series temporales. Gastó $426 de un presupuesto de $500 en Tinker. La publicación de lanzamiento cita tanto 4.5 horas como 4 h 17 min para la ejecución.
¿Cómo se compara Inkling 2 Small con DeepSeek y GLM?
| Característica | Inkling 2 Small | DeepSeek-V4.1-Flash-1017 | GLM-5.3-Flash |
|---|---|---|---|
| Parámetros totales / activos | 594B / 17B (card) | 552B / 16B decode, 8B prefill (HF) | 320B / 18B (HF) |
| Contexto | 1M | 1M | 1M |
| Modalidad de entrada | Texto, imagen | Texto, imagen | Texto, imagen |
| Licencia | Cerrada por ahora; Apache 2.0 planeado | MIT | MIT |
| Hardware para autoalojamiento | No divulgado | No divulgado | No divulgado |
| AA Intelligence Index v5.0.1 | 31 (AA) | 33 (AA) | 28 (AA) |
| Tiempo AA por tarea de indexación | 21.5 min | 13.3 min | 37.7 min |
| Costo AA por tarea de indexación | $1.18 | $0.60 | $0.58 |
| Precio por 1M de tokens (entrada / salida) | $0.30 / $1.00 | $0.30 / $1.20 | $0.15 / $0.50 |
| Terminal-Bench 2.1 | 85.1% (harness Pi, laboratorio) | 90.6% (checkpoint de septiembre, DeepSeek) | 84.3% (Z.ai) |
| DeepSWE v1.1 | 72.1% (laboratorio) | 74.2% (checkpoint de septiembre, DeepSeek) | 63.4% (Z.ai) |
Los precios y las métricas de AA provienen de la página de Artificial Analysis de cada modelo, consultada el 5 de noviembre de 2026.
¿Dónde pueden usarlo los desarrolladores y cuánto cuesta?
Inkling 2 Small está disponible en Tinker para fine-tuning y sampling, y en el Tinker Playground. El fine-tuning usa el Tinker Cookbook y el paquete tml-renderers . Los checkpoints se podrán descargar cuando se publiquen los pesos. Se espera que otras plataformas lleguen en las próximas semanas.
Artificial Analysis lista precios de $0.30 por 1M de tokens de entrada y $1.00 por 1M de tokens de salida. Eso es más barato en salida que Inkling Small a $1.20.
Conclusiones clave
- 594B MoE, 17B activos, contexto de 1M, entrada de texto más imágenes.
- 31 en el Índice de Inteligencia de AA, frente a 13 de Inkling Small.
- Puntuaciones líderes en PerceptionBench, JobBench y EnterpriseBench-CoreCraft.
- Débil en Terminal-Bench 4.0 (13.1%), lento y verboso por tarea.
- Disponible en Tinker ahora; pesos bajo Apache 2.0 previstos tras las pruebas de seguridad.
Consulte la publicación técnica, la tarjeta del modelo y la documentación de Tinker. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de ML con más de 150k y suscribirse a nuestro boletín. ¡Espere! ¿está en telegram? ahora también puede unirse a nosotros en telegram.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O página de Hugging Face O lanzamiento de producto O webinar, etc.? Conéctese con nosotros
La publicación Thinking Machines Lanza Inkling 2 Small, un MoE de 594B con 17B Activos apareció primero en MarkTechPost.